Apriori 算法在机器学习中的应用2025年3月17日 | 阅读 8 分钟 Apriori 算法使用频繁项集来生成关联规则，它被设计用于处理包含事务的数据库。通过这些关联规则，它可以确定两个对象之间连接的强弱。该算法使用广度优先搜索和哈希树来有效地计算项集关联。这是一个从大型数据集中查找频繁项集的迭代过程。 该算法由R. Agrawal 和 Srikant 于1994 年提出。它主要用于购物篮分析，并有助于查找可以一起购买的产品。它还可以用于医疗保健领域，用于查找患者的药物反应。 什么是频繁项集？ 频繁项集是指支持度大于阈值或用户指定的最小支持度的项集。这意味着如果 A 和 B 是频繁项集，那么单独的 A 和 B 也应该是频繁项集。 假设有两个事务：A= {1,2,3,4,5}，B= {2,3,7}，在这两个事务中，2 和 3 是频繁项集。 注意：为了更好地理解 Apriori 算法以及支持度和置信度等相关术语，建议先了解关联规则学习。Apriori 算法步骤Apriori 算法的步骤如下： 步骤 1：确定事务数据库中项集的支持度，并选择最小支持度和置信度。 步骤 2：选取事务中支持度大于最小支持度或选定支持度的所有项集。 步骤 3：查找这些子集中置信度大于阈值或最小置信度的所有规则。 步骤 4：按提升度（lift）的降序对规则进行排序。 Apriori 算法工作原理我们将通过一个例子和数学计算来理解 Apriori 算法。 示例：假设我们有以下数据集，其中包含各种事务，并且我们需要从此数据集中使用 Apriori 算法查找频繁项集并生成关联规则。  解决方案步骤 1：计算 C1 和 L1
步骤 2：候选集生成 C2 和 L2
步骤 3：候选集生成 C3 和 L3
步骤 4：查找子集的关联规则要生成关联规则，首先，我们将创建一个新表，其中包含来自已出现组合 {A, B, C} 的可能规则。对于所有规则，我们将使用公式sup(A ^B)/A 计算置信度。在计算了所有规则的置信度值后，我们将排除置信度低于最小阈值（50%）的规则。 考虑下表
由于给定的阈值或最小置信度为 50%，因此前三条规则A ^B → C、B^C → A 和 A^C → B 可被视为给定问题的强关联规则。 Apriori 算法的优点
Apriori 算法的缺点
Apriori 算法的 Python 实现现在我们将看到 Apriori 算法的实际实现。为了实现这一点，我们有一个零售商的问题，他希望找到他的商店产品之间的关联，以便他可以向客户提供“购买此商品即可获得那个商品”的优惠。 零售商拥有一个包含客户交易列表的数据集信息。在数据集中，每一行显示客户购买的产品或客户进行的交易。为了解决这个问题，我们将执行以下步骤：
1. 数据预处理步骤第一步是数据预处理。在此步骤下，我们将首先进行库的导入。代码如下：
在导入库之前，我们将使用下面的代码行来安装apyori 包以供进一步使用，因为 Spyder IDE 中不包含它。 以下是用于实现将用于模型各种任务的库的代码。
在上面的代码中，第一行显示将数据集导入 pandas 格式。代码的第二行用于此目的，因为我们将用于训练模型的 apriori() 函数需要列表格式的数据集。因此，我们创建了一个空的交易列表。此列表将包含从 0 到 7500 的所有项集。这里我们取 7501，因为在 Python 中，最后一个索引不被考虑。 数据集看起来像下面的图片。  2. 在数据集上训练 Apriori 模型要训练模型，我们将使用从apyroi 包导入的apriori 函数。此函数将返回用于训练模型在数据集上的规则。请看下面的代码： 在上面的代码中，第一行是导入 apriori 函数。第二行，apriori 函数返回输出作为规则。它接受以下参数：
3. 可视化结果现在我们将可视化我们的 apriori 模型输出。这里我们将遵循一些其他步骤，如下所示：
通过执行上述代码行，我们将获得 9 条规则。请看下面的输出： 输出 [RelationRecord(items=frozenset({'chicken', 'light cream'}), support=0.004533333333333334, ordered_statistics=[OrderedStatistic(items_base=frozenset({'light cream'}), items_add=frozenset({'chicken'}), confidence=0.2905982905982906, lift=4.843304843304844)]),
RelationRecord(items=frozenset({'escalope', 'mushroom cream sauce'}), support=0.005733333333333333, ordered_statistics=[OrderedStatistic(items_base=frozenset({'mushroom cream sauce'}), items_add=frozenset({'escalope'}), confidence=0.30069930069930073, lift=3.7903273197390845)]),
RelationRecord(items=frozenset({'escalope', 'pasta'}), support=0.005866666666666667, ordered_statistics=[OrderedStatistic(items_base=frozenset({'pasta'}), items_add=frozenset({'escalope'}), confidence=0.37288135593220345, lift=4.700185158809287)]),
RelationRecord(items=frozenset({'fromage blanc', 'honey'}), support=0.0033333333333333335, ordered_statistics=[OrderedStatistic(items_base=frozenset({'fromage blanc'}), items_add=frozenset({'honey'}), confidence=0.2450980392156863, lift=5.178127589063795)]),
RelationRecord(items=frozenset({'ground beef', 'herb & pepper'}), support=0.016, ordered_statistics=[OrderedStatistic(items_base=frozenset({'herb & pepper'}), items_add=frozenset({'ground beef'}), confidence=0.3234501347708895, lift=3.2915549671393096)]),
RelationRecord(items=frozenset({'tomato sauce', 'ground beef'}), support=0.005333333333333333, ordered_statistics=[OrderedStatistic(items_base=frozenset({'tomato sauce'}), items_add=frozenset({'ground beef'}), confidence=0.37735849056603776, lift=3.840147461662528)]),
RelationRecord(items=frozenset({'olive oil', 'light cream'}), support=0.0032, ordered_statistics=[OrderedStatistic(items_base=frozenset({'light cream'}), items_add=frozenset({'olive oil'}), confidence=0.20512820512820515, lift=3.120611639881417)]),
RelationRecord(items=frozenset({'olive oil', 'whole wheat pasta'}), support=0.008, ordered_statistics=[OrderedStatistic(items_base=frozenset({'whole wheat pasta'}), items_add=frozenset({'olive oil'}), confidence=0.2714932126696833, lift=4.130221288078346)]),
RelationRecord(items=frozenset({'pasta', 'shrimp'}), support=0.005066666666666666, ordered_statistics=[OrderedStatistic(items_base=frozenset({'pasta'}), items_add=frozenset({'shrimp'}), confidence=0.3220338983050848, lift=4.514493901473151)])]
正如我们所见，上面的输出格式不易理解。因此，我们将以合适的格式打印所有规则。
输出 通过执行上述代码行，我们将获得下面的输出： Rule: chicken -> light cream Support: 0.004533333333333334 Confidence: 0.2905982905982906 Lift: 4.843304843304844 ===================================== Rule: escalope -> mushroom cream sauce Support: 0.005733333333333333 Confidence: 0.30069930069930073 Lift: 3.7903273197390845 ===================================== Rule: escalope -> pasta Support: 0.005866666666666667 Confidence: 0.37288135593220345 Lift: 4.700185158809287 ===================================== Rule: fromage blanc -> honey Support: 0.0033333333333333335 Confidence: 0.2450980392156863 Lift: 5.178127589063795 ===================================== Rule: ground beef -> herb & pepper Support: 0.016 Confidence: 0.3234501347708895 Lift: 3.2915549671393096 ===================================== Rule: tomato sauce -> ground beef Support: 0.005333333333333333 Confidence: 0.37735849056603776 Lift: 3.840147461662528 ===================================== Rule: olive oil -> light cream Support: 0.0032 Confidence: 0.20512820512820515 Lift: 3.120611639881417 ===================================== Rule: olive oil -> whole wheat pasta Support: 0.008 Confidence: 0.2714932126696833 Lift: 4.130221288078346 ===================================== Rule: pasta -> shrimp Support: 0.005066666666666666 Confidence: 0.3220338983050848 Lift: 4.514493901473151 ===================================== 从上面的输出，我们可以分析每条规则。第一条规则，即Light cream → chicken，表明大多数客户经常购买 Light cream 和 chicken。此规则的支持度为0.0045，置信度为29%。因此，如果客户购买 Light cream，则有 29% 的几率他也会购买 chicken，并且它在交易中出现了 0.0045 次。我们也可以在其他规则中看到这些。 下一个主题关联规则学习 |
我们请求您订阅我们的新闻通讯以获取最新更新。
我们提供所有技术（如 Java 教程、Android、Java 框架）的教程和面试问题
G-13, 2nd Floor, Sec-3, Noida, UP, 201301, India
Python
Java
JavaScript
SQL
C
C++
HTML
CSS
React
Node.js
Spring Boot
C#
PHP
MySQL
MongoDB
AI
ML
DSA
DBMS
OS
Aptitude
Reasoning
